【大学课件】信息通信专业 Energy Aware Algorithm in Ad Hoc Networks
合集下载
麻省理工学院开放课件-通信与信息-电气工程与计算机科学

1.1 Shannon's grand challenge
The �eld of information theory and coding has a unique history, in that many of its ultimate limits were determined at the very beginning, in Shannon's founding paper [7]. Shannon's most celebrated result is his channel capacity theorem, which we will review in Chapter 3. This theorem states that for many common classes of channels there exists a channel capacity C such that there exist codes at any rate R � C that can achieve arbitrarily reliable transmission, whereas no such codes exist for rates R � C . For a band-limited AWGN channel, the capacity C in bits per second (b/s) depends on only two parameters, the channel bandwidth W in Hz and the signal-to-noise ratio SNR, as follows: C � W log2(1 + SNR) b�s: Shannon's theorem has posed a magni�cent challenge to succeeding generations of researchers. Its proof is based on randomly chosen codes and optimal (maximum likelihood) decoding. In practice, it has proved to be remarkably di�cult to �nd classes of constructive codes that can be decoded by feasible decoding algorithms at rates which come at all close to the Shannon limit. Indeed, for a long time this problem was regarded as practically insoluble. Each signi�cant advance toward this goal has been awarded the highest accolades the coding community has to o�er, and most such advances have been immediately incorporated into practical systems. In the next two sections we give a brief history of these advances for two di�erent practical channels: the deep-space channel and the telephone channel. The deep-space channel is an unlimited-bandwidth, power-limited AWGN channel, whereas the telephone channel is very much bandwidth-limited. (We realize that many of the terms used here may be unfamiliar to the reader at this point, but we hope that these surveys will give at least an impressionistic picture. After reading later chapters, the reader may wish to return to reread these sections.) Within the past decade there have been remarkable breakthroughs, principally the invention of turbo codes [1] and the rediscovery of low-density parity check (LDPC) codes [4], which have allowed the capacity of AWGN and similar channels to be approached in a practical sense. For example, Figure 1 (from [2]) shows that an optimized rate-1/2 LDPC code on an AWGN channel can approach the relevant Shannon limit within 0.0045 decibels (dB) in theory, and within 0.04 dB with an arguably practical code of block length 107 bits. Practical systems using block lengths of the order of 104 {105 bits now approach the Shannon limit within tenths of a dB.
《人工神经网络算法》课件

添加标题
计算网络输出
添加标题
反向传播误差
添加标题
重复以上步骤直到达到预设 的停止条件,如损失函数值 小于某个阈值或达到预设的
迭代次数。
添加标题
添加标题
输入训练数据
添加标题
计算损失函数
添加标题
更新网络权重和偏置
常见的人工神经网 络算法
前馈神经网络算法
概念:一种多层感知器模型,输入层、隐藏层和输出层之间没有反馈连 接
特点:易于训练,适合处理线性和非线性问题
应用:图像识别、语音识别、自然语言处理等领域
结构:输入层、隐藏层和输出层,其中隐藏层可以有多个
训练方法:反向传播算法,通过调整权重和偏置来最小化损失函数
优缺点:优点是易于实现,缺点是难以处理时间序列数据
循环神经网络算法
特点:能够处理序列数据,如 语音、文本等
理复杂问题
深度学习技术 将更加安全, 能够更好地保 护用户隐私和
数据安全
人工神经网络算法与其他算法的结合应用
人工神经网络算法与深度学习的结合:提高模型的准确性和泛化能力 人工神经网络算法与强化学习的结合:解决复杂决策问题,提高模型的适应性和学习能力 人工神经网络算法与自然语言处理的结合:提高文本理解和生成能力,实现人机交互 人工神经网络算法与图像处理的结合:提高图像识别和生成能力,实现图像理解和生成
1986年, Rumelha rt等人提 出反向传 播算法, 解决了多 层神经网 络的训练 问题
1998年, LeCun等 人提出卷 积神经网 络,开启 了深度学 习的新时 代
2012年, Hinton等 人提出深 度信念网 络,进一 步推动了 深度学习 的发展
2015年, Google 的 AlphaGo 战胜人类 围棋冠军, 标志着人 工智能的 突破性进 展
计算网络输出
添加标题
反向传播误差
添加标题
重复以上步骤直到达到预设 的停止条件,如损失函数值 小于某个阈值或达到预设的
迭代次数。
添加标题
添加标题
输入训练数据
添加标题
计算损失函数
添加标题
更新网络权重和偏置
常见的人工神经网 络算法
前馈神经网络算法
概念:一种多层感知器模型,输入层、隐藏层和输出层之间没有反馈连 接
特点:易于训练,适合处理线性和非线性问题
应用:图像识别、语音识别、自然语言处理等领域
结构:输入层、隐藏层和输出层,其中隐藏层可以有多个
训练方法:反向传播算法,通过调整权重和偏置来最小化损失函数
优缺点:优点是易于实现,缺点是难以处理时间序列数据
循环神经网络算法
特点:能够处理序列数据,如 语音、文本等
理复杂问题
深度学习技术 将更加安全, 能够更好地保 护用户隐私和
数据安全
人工神经网络算法与其他算法的结合应用
人工神经网络算法与深度学习的结合:提高模型的准确性和泛化能力 人工神经网络算法与强化学习的结合:解决复杂决策问题,提高模型的适应性和学习能力 人工神经网络算法与自然语言处理的结合:提高文本理解和生成能力,实现人机交互 人工神经网络算法与图像处理的结合:提高图像识别和生成能力,实现图像理解和生成
1986年, Rumelha rt等人提 出反向传 播算法, 解决了多 层神经网 络的训练 问题
1998年, LeCun等 人提出卷 积神经网 络,开启 了深度学 习的新时 代
2012年, Hinton等 人提出深 度信念网 络,进一 步推动了 深度学习 的发展
2015年, Google 的 AlphaGo 战胜人类 围棋冠军, 标志着人 工智能的 突破性进 展
人工智能简介PPT学习课件

机器学习传统的算法包括关联规则、决策树、聚类、贝叶斯分类、支持向量机等等。机器学习已广泛应用于 数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、检测信用卡欺诈、证券市场 分析、DNA序列测序、语音和手写识别、战略游戏和机器人等领域。
规则:牛肉—>鸡肉,购买牛肉的顾客当中也购买了鸡肉可信度是3/4。
现阶段人工智能本质
深度学习:一种实现机器学习的技术。
机器学习的分支,它是试图使用包含复杂结构的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的方法。
观测值(例如一幅图像)可以使用多种方式来表示,如每个像素强度值的向量,或者更抽象地表示成一系列特定 形状的区域等。而使用某些特定的表示方法更容易从实例中学习任务(例如,人脸识别或面部表情识别)。
计算机系统的理论和发展能够执行 通常需要人类智能参与的任务。
AI的核心问题包括推理、知识、规划、学习、交流、 感知、移动和操作物体的能力等。
2024/6/5
4
2 人工智能历史与现状
2024/6/5
5
发展历程
深度学习算法在语音和视觉识别上取得成功,进入感知智能时代。
2006年杰弗里辛顿提出学习生成模型的观点,“深度学习”神经网络使得人工 智能性能获得突破性进展。
手写和字符识别是认知自动化应用的范例,支持高强度、复杂繁琐的办公业务,以帮助企业降低风险和成本。如,如机 器翻译是对文本数据的处理;使用自然语言处理和OCR(光学字符识别)技术从文档中提取关键信息。
2024/6/5
16
应用领域
认知参与
系统通过认知技术与人类建立密切交互关系。
语音识别接口,它可以执行语音指令,降低温控器或打开电视频道,如Siri。再如,接收病人入院,或推荐产品和服务, 需要人工智能接触到更复杂的信息并执行数字化任务,通过学习到的认知参与人类互动。
规则:牛肉—>鸡肉,购买牛肉的顾客当中也购买了鸡肉可信度是3/4。
现阶段人工智能本质
深度学习:一种实现机器学习的技术。
机器学习的分支,它是试图使用包含复杂结构的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的方法。
观测值(例如一幅图像)可以使用多种方式来表示,如每个像素强度值的向量,或者更抽象地表示成一系列特定 形状的区域等。而使用某些特定的表示方法更容易从实例中学习任务(例如,人脸识别或面部表情识别)。
计算机系统的理论和发展能够执行 通常需要人类智能参与的任务。
AI的核心问题包括推理、知识、规划、学习、交流、 感知、移动和操作物体的能力等。
2024/6/5
4
2 人工智能历史与现状
2024/6/5
5
发展历程
深度学习算法在语音和视觉识别上取得成功,进入感知智能时代。
2006年杰弗里辛顿提出学习生成模型的观点,“深度学习”神经网络使得人工 智能性能获得突破性进展。
手写和字符识别是认知自动化应用的范例,支持高强度、复杂繁琐的办公业务,以帮助企业降低风险和成本。如,如机 器翻译是对文本数据的处理;使用自然语言处理和OCR(光学字符识别)技术从文档中提取关键信息。
2024/6/5
16
应用领域
认知参与
系统通过认知技术与人类建立密切交互关系。
语音识别接口,它可以执行语音指令,降低温控器或打开电视频道,如Siri。再如,接收病人入院,或推荐产品和服务, 需要人工智能接触到更复杂的信息并执行数字化任务,通过学习到的认知参与人类互动。
信息通信专业 Energy Aware Algorithm in Ad Hoc Networks

没有进行Son之前的网络拓扑结构
SCON和SEEON后,可以发现网络结构大大 简化
节点的平均通信功率发生了显著的下降,如 下图
最终的能量节省
网络层节能路由协议(一)
在网络层需要设计特殊的路由协议达到节 能目的。
采用多信道最小能量路由(Multipath Minimum Energy Routing mechanism,简 称MMER) ,利用多信道分流流量来使链 路的能量代价总合最小 。
每个结点有其固定的id,每个区域也有其固定的id。B 结点有它的第二个id,用于区域间的通信。
B结点离开时,发出广播信信,让其它的BC结点竞选 一个成为B结点。
B结点间的路由:采用B结点的第二个id。用于CELL 间的通信。
寻路:假设S结点要给在不同区域的D结点发送数据, 通过RR来寻路。寻路后,在所在的路上进行通信。
率POWER[A]。
DCA-PC仿真实验
信道数量影响 :总的DCA-PC的效果比DCA 好,但是随着信道数的增加,功率控制的 意义会下降。
固定信道带宽下,情况同上面的相似。
主机密度的影响:主机密度大的时候, DCA-PC的效果好,从而说明了功率控制 在主机密度大的时候非常有用。
功率级数数量的影响:采用更多的功率级
Pat广播阶段:
每一个节点将他之前形成的表单再次广播 出去 ,每一个节点将之前的表单加以修改, 变成如下的表单
SON阶段: 采用下面的模型来进行最佳邻居选择
SON的两种分支 SCON和SEEON 。对SCON来说, 只要离他最远的邻居节点满足上面的不等式,则离 他较近的不满足不等式的邻居节点继续保留在Pat 表中,而SEEON则对其PAT表中的所有节点进行检 查,剔除所有不满足上面不等式的邻居节点
大学信息技术 第1章 计算思维 PPT课件

人类行为中的计算思维
首先按照结构化程序设计中的“自顶向下,逐层分 解”,利用信息的特征,将一个大问题分解为若干 小问题;其次再将小问题细化,得出解决方案。
人类行为中的计算思维
预置和缓存 小学生早晨去学校时,她把当天需要的东西放进 背包;
回推 小男孩弄丢他的手套时,你建议他沿走过的路回寻 ; 多服务器系统的性能模型 在超市付账时你应当去排哪个队呢? 失败的无关性和设计的冗余性 为什么停电时你的电话仍然可用?
如果两个囚徒合作保持沉默,总体 利益会更高。 而两个囚徒追求个人利益,选择背 叛时,总体利益较低。 这就是困境所在。
14
囚徒困境——博弈策略建模
囚徒困境的数学建模
(1)策略的符号化 ❖将囚徒各种选择获得的收益和支付转换为数值,获得表所 示符号表。
符号 T R P S
分数
英文
中文
5 Temptation 背叛收益
1.3.1 计算思维概述
❖ 求解问题中的计算思维
问题 求解
系统设计
建立问题模型
人类行为 理解
选择算法
编程实现
警察抓小偷
警察局抓了a,b,c,d四名偷窃嫌疑犯,其中只有 一人是小偷,审讯记录如下: A说:我不是小偷 B说:c是小偷 C说:小偷肯定是d D说:c在冤枉人
四个人中,三个人说的是真话,一个人说的是假话 ,请问谁是小偷?
B背叛 A=0,B=5 A=1,B=1 B背叛
S,T P,P
16
囚徒困境——博弈策略建模
(3)建立数学模型 • A=R,B=R时,A=3,B=3; • A=T,B=S时,A=5,B=0; • A=S,B=T时,A=0,B=5; • A=P,B=P时,A=1,B=1。
能量检测算法

sets of receiver operating characteristic (Roc) arnes are da for rm several time-bandwidtb pmduch, pf well as an extended mwogrrun of tbe chisqmre aunlllrtive probability which can be aped for rapid cplealntion of fake alarm and detection po a i rbb l t i a Related work m energy deteetioo by J. I. Mararm and E L. Kaplan is .
w>
Manuscript received August25,1966; revised December 14,1966, and January 16, 1967. The work reported in this paper was supported in part by the Advanced Research Projects Agency, Department of Defense, under Contract SD-283. The author is with the General Atronics Corporation, Philadelphia, Pa. 11918
PROCEEDINGS OF THE IEEE, VOL.
55, NO. 4, APRIL 1967
523
Energy Detection of Unknown Deterministic Signals
Abstract-By oinp Shannon’s sampling form&, the problem of the detectiooofadet~signnlmahite~wise,bymePapofm energy-meosariagde*~tothecoasiderntionofthe~ofthe squares of statiptially indepedent Gaussian variates Wben the signal is
大学课程《人工智能导论》PPT课件:第7章 深度学习

• 风格迁移
c. 风格迁移结果
深度学习的展望
• 深度学习的应用会越来越广泛,越来越深入。
• 深度学习的定义
• 和传统的机器学习(称之为浅层学习)相比较,深度学习更接近人类处
理信息的方式。
• 深度学习通过构造深层结构的人工神经网络,模拟这种多层表示,每层
对应于一类特定特征,高层特征取决于底层特征,每类特征由一个隐含
层表示,隐含层从最初的几层发展到十多层,甚至目前的上千层。
• 以图像处理为例,低层提取边缘特征,更高层在此基础上形成简单图形,
?对于离散情形定义f和g的卷积????????为?????????????????????????????????????????????????几种深度学习模型?卷积神经网络?卷积的执行过程几种深度学习模型?卷积神经网络?特征往往拥有平移和标度不变性因此在cnn中对空间位置相邻的特征一般是卷积层的输出选取最大值或平均值作为输出从而实现降维处理该过程由池化pooling层完成
• 飞桨框架的核心技术,主要体现在前端语言、组网编程范式、核心架构、
算子库以及高效率计算核心等五个方面。
深度学习主要开发框架
• Keras
• Keras是一个高级的神经网络API,用Python编写,能够运行在TensorFlow、
CNTK或Theano等深度学习框架之上,可以作为这些框架的前端API使用。
象而来,是关于特征的特征,因此更接近于参数的理论值。
• 第二阶段的学习采用有监督学习,通过BP算法,进一步优化无监督学习
阶段得到的参数,由于第一阶段的学习,该阶段只需要进行少量修正即
可使模型收敛。
几种深度学习模型
• 卷积神经网络
• 1959年,神经科学家提出猫的初级视觉皮层中神经元的感受野的概念,
c. 风格迁移结果
深度学习的展望
• 深度学习的应用会越来越广泛,越来越深入。
• 深度学习的定义
• 和传统的机器学习(称之为浅层学习)相比较,深度学习更接近人类处
理信息的方式。
• 深度学习通过构造深层结构的人工神经网络,模拟这种多层表示,每层
对应于一类特定特征,高层特征取决于底层特征,每类特征由一个隐含
层表示,隐含层从最初的几层发展到十多层,甚至目前的上千层。
• 以图像处理为例,低层提取边缘特征,更高层在此基础上形成简单图形,
?对于离散情形定义f和g的卷积????????为?????????????????????????????????????????????????几种深度学习模型?卷积神经网络?卷积的执行过程几种深度学习模型?卷积神经网络?特征往往拥有平移和标度不变性因此在cnn中对空间位置相邻的特征一般是卷积层的输出选取最大值或平均值作为输出从而实现降维处理该过程由池化pooling层完成
• 飞桨框架的核心技术,主要体现在前端语言、组网编程范式、核心架构、
算子库以及高效率计算核心等五个方面。
深度学习主要开发框架
• Keras
• Keras是一个高级的神经网络API,用Python编写,能够运行在TensorFlow、
CNTK或Theano等深度学习框架之上,可以作为这些框架的前端API使用。
象而来,是关于特征的特征,因此更接近于参数的理论值。
• 第二阶段的学习采用有监督学习,通过BP算法,进一步优化无监督学习
阶段得到的参数,由于第一阶段的学习,该阶段只需要进行少量修正即
可使模型收敛。
几种深度学习模型
• 卷积神经网络
• 1959年,神经科学家提出猫的初级视觉皮层中神经元的感受野的概念,
人工神经网络课件

人工神经网络课件
目录
• 神经网络基本概念 • 前馈神经网络 • 反馈神经网络 • 深度学习基础 • 优化算法与技巧 • 实践应用与案例分析
01 神经网络基本概念
生物神经网络简介
01
02
03
生物神经网络组成
生物神经网络由大量神经 元通过突触连接而成,具 有并行处理、分布式存储 和自学习等特性。
信号传递方式
每次只利用一个样本的梯度信息进行参数更新,计算量小,收敛速度快,但容易受到噪声干扰, 陷入局部最优解。
小批量梯度下降法(Mini-Batch Gradie…
折中方案,每次利用一小批样本的梯度信息进行参数更新,兼具批量梯度下降法和随机梯度下降 法的优点。
正则化方法防止过拟合
L1正则化(Lasso)
01
RNN在自然语言处理领域有广泛应用,如机器翻译、文本生成、情感分析等,同时也可以应用于语音识别 和图像处理等领域。
05 优化算法与技巧
梯度下降法及其改进算法
批量梯度下降法(Batch Gradient Des…
利用整个数据集的梯度信息进行参数更新,计算量大,收敛速度慢,但能找到全局最优解。
随机梯度下降法(Stochastic Gradien…
03 反馈神经网络
反馈神经网络结构
01
02
03
04
神经元之间相互连接,形成反 馈回路。
网络中的每个神经元都接收来 自其他神经元的信号,并产生
输出信号。
输出信号会再次作为输入信号 反馈到网络中,影响其他神经
元的输出。
通过不断调整神经元之间的连 接权重,网络可以学习并适应
不同的输入模式。
Hopfield网络模型与算法
批处理、随机梯度下降等优化策略
目录
• 神经网络基本概念 • 前馈神经网络 • 反馈神经网络 • 深度学习基础 • 优化算法与技巧 • 实践应用与案例分析
01 神经网络基本概念
生物神经网络简介
01
02
03
生物神经网络组成
生物神经网络由大量神经 元通过突触连接而成,具 有并行处理、分布式存储 和自学习等特性。
信号传递方式
每次只利用一个样本的梯度信息进行参数更新,计算量小,收敛速度快,但容易受到噪声干扰, 陷入局部最优解。
小批量梯度下降法(Mini-Batch Gradie…
折中方案,每次利用一小批样本的梯度信息进行参数更新,兼具批量梯度下降法和随机梯度下降 法的优点。
正则化方法防止过拟合
L1正则化(Lasso)
01
RNN在自然语言处理领域有广泛应用,如机器翻译、文本生成、情感分析等,同时也可以应用于语音识别 和图像处理等领域。
05 优化算法与技巧
梯度下降法及其改进算法
批量梯度下降法(Batch Gradient Des…
利用整个数据集的梯度信息进行参数更新,计算量大,收敛速度慢,但能找到全局最优解。
随机梯度下降法(Stochastic Gradien…
03 反馈神经网络
反馈神经网络结构
01
02
03
04
神经元之间相互连接,形成反 馈回路。
网络中的每个神经元都接收来 自其他神经元的信号,并产生
输出信号。
输出信号会再次作为输入信号 反馈到网络中,影响其他神经
元的输出。
通过不断调整神经元之间的连 接权重,网络可以学习并适应
不同的输入模式。
Hopfield网络模型与算法
批处理、随机梯度下降等优化策略
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
MAC层节能机制研究
我们研究的网络都是基于802.11的无线网络 模型,必然有一些最基础的与一般无线不 网络相同。例如:RTS、CTS、ACK、 CSMA/CA等等。要在MAC层实现节能,必 须实行功率控制,或者针对不同功率进行 调节。下面分别研究。
Ad Hoc网络功率控制(一)
能量节省率
MAC层路由协议(一)
引入多类路由的概念(MC) 具有骨干能力结点(backbone-capable nodes, BC nodes):数据传输量大,健壮性好,处 理能力强的结点。 MC路由的主要思想就是让大多数路由由这 些骨干结点来承担。
MC路由
优点: 其更加稳定,纠错能力更强。
通信过程 1、计算如果成功握手后,信道是否会有 空闲。根据CUL的rel_time进行计算。 2、A给B发送RTS,采用Pmax。 3、B收到RTS信号后,检查是否有空闲的 数据信道。 4、C收到RTS信号后,就隐藏自己一段时 间。 5、A等待B的CTS信号。
通信过程(续) 6、A收到CTS后,执行以下操作: 插入CUL[k],使(Dj为信道j); 广播RES(占用的信道,网络分配的RES 的矢量,RES的功率(Pres)); 采用POWER(B)传输数据。 7、C收到CTS后,更新CUL。 8、C收到RES后,更新CUL。 9、B收到整个数据包后,回复A。采用功 率POWER[A]。
DCA-PC仿真实验
信道数量影响 :总的DCA-PC的效果比DCA 好,但是随着信道数的增加,功率控制的 意义会下降。
固定信道带宽下,情况同上面的相似。
主机密度的影响:主机密度大的时候, DCA-PC的效果好,从而说明了功率控制 在主机密度大的时候非常有用。
功率级数数量的影响:采用更多的功率级 数,使主机对外界的抗干扰能力增加,从 而使信道利用率增加 。
Pat广播阶段:
每一个节点将他之前形成的表单再次广播 出去 ,每一个节点将之前的表单加以修改, 变成如下的表单
SON阶段: 采用下面的模型来进行最佳邻居选择
SON的两种分支 SCON和SEEON 。对SCON来说, 只要离他最远的邻居节点满足上面的不等式,则离 他较近的不满足不等式的邻居节点继续保留在Pat 表中,而SEEON则对其PAT表中的所有节点进行检 查,剔除所有不满足上面不等式的邻居节点
DSR MAC协议
使用传输的持续时长,状态间距离和通信 间的冲突联系而不是第一个通信对作为传 输准则 。 步骤: 1、信道接入策略。 2、基于距离的冲突推导与IIM设置 。
Ad Hoc网络功率控制(三)
在大多数无线通信系统中,信号冲突问题 成了主要的限制问题,信号冲突比(SIR)也 取代信噪比(SNR)成为系统主要的参数 。 为了提高SIR,提出一种传输功率控制的非 线性优化算法 。
3、多类路由协议
每个结点有其固定的id,每个区域也有其固定的id。B 结点有它的第二个id,用于区域间的通信。 B结点离开时,发出广播信信,让其它的BC结点竞选 一个成为B结点。 B结点间的路由:采用B结点的第二个id。用于CELL 间的通信。 寻路:假设S结点要给在不同区域的D结点发送数据, 通过RR来寻路。寻路后,在所在的路上进行通信。 路由修复:如果在上述路由中出现了故障,发现在路 中有个区域没有B节点,那么它就通过广播RE(route repair)数据包进行路由修复。 普通结点的路由:结点首先通过在其区域内广播RR 数据包来寻找其最近邻的B结点。B结点收到后,回 复S结点一个RP信号。如果S没有收到RP信号,那么 就可以确定该区域内没有B结点。
取对数
log Pj j j log d j log Pi i i log di
取不等式右端寻找
max(log Pj j j log d j log Pi i i log di ) 即可最小化分母实现SIR最大化目标 。
控制功率对Ad Hoc网络的影响
Ad Hoc网络功率控制(二)
提高空间复用可以节约能量。 方法: 1、解决暴露终端问题 。这个方法适用于多 跳网络,而并不适于单跳网络。 2、通过采用方向性技术 。这种方法来提高 空间复用的所需的代价太高。 3、采用功率控制来提高空间复用 。这是我 们要研究的方法( DSR MAC协议 )。
RTS/CTS访问方法
梯度投射算法 : 向量x在梯度相反的地方被迭代修正,以适 应最佳化的问题
流量分配只需由一对接点来决定而不需要 考虑其他节点
MAC层路由协议(二)
通过能量效率比较来选取最佳邻居节点 定义P(I,J)为节点I向节点j传输数据所需要的 传输功率,并且节点I拥有一张邻居节点表单, 上面按传输功率大小排定I的所有邻居 J1,J2… 假定I要发送数据给Jl,它并不急于选择直接 向Jl发送数据,而是先在它的邻居表单里寻找 是否有满足以下关系的节点存在
多信道最小能量路由(MMER)
Ad Hoc网络有N个节点和L条链路组成。网 络中有W对源-目标节点对 ,每一对w=(s,d), Pw为该对的通道集合,rw为源到目的节点 的数据包传送速率,Xwp为Pw中一条信道p 的传送速率 。
总的能量损耗为
我们的目标是
基于分布式协调函数(Distributed Coordination Function,简称DCF) 有两种 访问方法:一种叫基本访问方法,另一种 叫RTS/CTS访问方法 。 基本访问方法只有数据帧和ACK帧,会产 生“隐藏终端问题”,为此我们用RTS/CTS 访问方法。这种方法在传输庞大数据帧前 优先使用小的RTS、CTS帧。
2、B结点的选择 首先每个峰窝结构中,从BC结点中挑选出 一个作为B结点,如果B结点离开了所属的 区域,就要重新从BC结点中选出一个B结点。 B结点的离开,或者是G结点发现其所在的 区域内没有B结点,那么,它们就会发出广 播信息。收到广播信息的BC结点就会广播, 其将成为新的B结点。
可提供更大的传输量。因为骨干结点的处 理能力更强 降低了中间的跳转。因为骨干结点的传输 半径大得多。
1、峰窝结构(Cell Structure)
在每个Cell中,有一个从BC结点中挑选一 个B结点,并且B结点可以与其相邻的Cell 中的任意一个B结点直接通信。并假设这 些结点只在限定的地方活动。
如果存在这样的节点jq,则I将jl从他的邻居节 点表单里删除,并且发送数据给jq,通过jq转发 给jl。
算法假定: 网络的拓扑结构应为准静态的。 每一个节点都能够对自己的相关位置进行 评估。 每个节点都可以调整他的传输功率,用以到 达不同的邻居节点 。
ቤተ መጻሕፍቲ ባይዱ
地址广播 :
每一个节点以他的全输出功率将自己的地 址信息广播出去 ,每一个节点都形成一张 如下图的表单
平衡阶段:
每一个节点都以全功率广播自己的邻居节 点列表,当A接受到B的邻居列表并且发现自 己不在其中时,A将把B从邻居列表中剔除 。 为了达到功率的最优化使用,如果只使用 SON是不够的,节点必须按照发送距离的远 近调整自己的发送功率,才能最终实现能量 的最优化使用 。
仿真实验
设立了一个100节点,区域为500m*500M的 ad hoc网络 ,相关参数如下表
802.11使用CSMA/CA存在的缺点:空间利用率低, 能量效率低,信道干扰大。 改进方法: 1、以最大功率传送RTS、CTS,然后以最小功率 发送ACK 和数据。 缺点:降低了吞吐量和传输速度 。 2、干扰限制的MAC层协议 (Interference-Limited Media Access Control) 。 缺点:但是可能造成误判决;需要收、发两根天 线;需要自适应。
Energy Aware Algorithm in Ad Hoc Networks
我们一组在详细看了mesh网络相关文章之 后,决定集中调研mesh网络中的一个子类: Ad Hoc网络。 针对目前对于自组织网络的研究焦点集中 在节能问题上,特别是在MAC层的节能研 究,我们重点调研MAC层的节能机制以及 网络层的节能路由机制,对其他方面的节 能机制也作了相应调研。
对于一个Ad Hoc网络,采用TDMA的介质 访问控制协议 ,对节点划分功率等级,设 定传输功率、信噪比等参数。 建立SINR干扰模型 。 进行仿真实验。
网络吞吐量随节点的变化
跳数随节点数变化统计
协调冲突与竞争(一)
MAC层应该解决传输过程中的潜在的争用 和冲突 。
单信道模式下,网络性能随着用户增多而 下降,频发的冲突和竞争导致更多的能量 损耗。 解决方案: 1、采用更复杂的多路访问机制。 2、电源管理。
3、POWMAC Protocol (power control MAC Protocol) 。用滑动访问窗口(access window , AW)储存RTS、CTS序列 ,AW长度是自适 应变化的,将避免碰撞的信息放入CTS中, 以确定可能干扰者发送功率的上限,而不 是禁止它们发送数据(保持静默),而且 干扰的边界也是自适应调整的。
4、分发结点位置信息 。
在结点没有离开其所在的区域时,不用发 送其位置信息;若结点离开了其所在的区 域的话,发送位置更新信息的数据包给其 所在的新的B结点,另处,B结点定期的将 其所收集到的信息发送给一个B0结点。注 意更新的信息不应太大,否则就不够精确, 也不能太小。最好选择一个固定的B0结点。 5、新的MAC层协议。